الخوارزمية الرئيسية

The Master Algorithm
by Pedro Domingos
-الخوارزمية الرئيسية
-بقلم بيدرو دومينغوس
-في التكنولوجيا والمستقبل
-كيف السعي لآلة التعلم في نهاية المطاف سوف طبعة جديدة من عالمنا. وفقا لبيدرو دومينغوس، واحدة من أعظم أسرار الكون ليس كيف يبدأ أو ينتهي، أو ما المواضيع متناهية الصغر انها المنسوجة من، انها ما يدور في ذهن طفل صغير: كيف رطل من هلام رمادي يمكن أن تنمو لتصبح مقعدا من الوعي. والأمر الأكثر إثارة للدهشة هو قلة الدور الذي يلعبه الآباء في تعليم الدماغ أن يمر بهذا التحول، لأنه يفعل كل شيء بمفرده إلى حد كبير. واليوم، يعمل العلماء ومهندسو الكمبيوتر وغيرهم من أجل إنشاء آلة يمكنها أن تفعل بالضبط ما يفعله الدماغ البشري: التعلم. مع كل التكنولوجيا اليوم، قد تصبح الآلات في يوم من الأيام أكثر ذكاء من الدماغ البشري. يمكن لأجهزة الكمبيوتر أن تتعلم من مجموعات كبيرة من البيانات التي قد لا ندرك حتى أنه يتم جمعها. وهذا يعني أن مستقبلنا يمكن أن تدار عن طريق التكنولوجيا، وتغيير الطريقة التي نعيش بها والتفاعل مع بعضنا البعض. كما تقرأ ، سوف تتعلم كيف ستكون الآلات في يوم من الأيام مثل الدماغ البشري ، وكيف لا يوجد شيء مثل خوارزمية مثالية ، وكيف أن الخوارزمية الرئيسية في طريقها إلى الإنشاء.
مقدمة
التعلم الآلي في كل مكان في الوقت الحاضر، حتى في الأماكن التي لا تعترف! على سبيل المثال، عند كتابة استعلام في محرك بحث، فإن التعلم الآلي هو كيفية معرفة المحرك للنتائج التي يجب إظهارها لك. عند فتح بريدك الإلكتروني، لا ترى الرسائل غير المرغوب فيها لأن التعلم الآلي قد قام بتصفية البريد الإلكتروني. عندما تذهب إلى Amazon.com أو Netflix، يوصي نظام التعلم الآلي بالمنتجات أو الأفلام التي قد تعجبك. حتى مواقع التواصل الاجتماعي مثل Facebook و Instagram تستخدم التعلم الآلي لتحديد ملفات التعريف التي سترى والتحديثات التي ستقرأها. اليوم ، خوارزميات التعلم الآلي ، والمعروفة أيضا باسم المتعلمين ، قادرة على تقديم استنتاجات حول ما تريد أن ترى والمنتجات التي تريد شراء من خلال تقديم استنتاجات من البيانات. كلما زاد عدد البيانات لديهم ، كلما كان ذلك أفضل! تم العثور على التعلم الآلي في أكثر من مجرد جهاز الكمبيوتر. في الواقع، من المحتمل أن يكون يومك بأكمله مشبعا به. فكر في ذلك. ربما الراديو على مدار الساعة تنفجر في الساعة 7:00 صباحا .m، ويلعب قائمة التشغيل من باندورا. أثناء الاستماع إلى الموسيقى من خلال التطبيق ، تواصل Pandora تعلم أذواقك في الموسيقى بفضل التعلم الآلي. ثم، كما كنت تدفع إلى العمل، سيارتك لا تزال لضبط حقن الوقود وإعادة تدوير العادم للحصول على أفضل الغاز الأميال. يمكنك حتى استخدام تطبيق مثل خرائط Google للتنبؤ بحركة المرور في تنقلاتك.
الهاتف الخليوي الخاص بك نفسه مليء خوارزميات التعلم. فهو يصحح الأخطاء المطبعية الخاصة بك ، ويفهم الأوامر المنطوقة الخاصة بك ، ويعترف الرموز الشريطية ، وأكثر من ذلك بكثير. في العمل، يقوم بريدك الإلكتروني بفرز نفسه في مجلدات، تاركا أهم الرسائل فقط في بريدك الوارد. يقوم معالج النصوص بالتحقق من قواعد اللغة والهجاء. عندما تتوجه إلى السوبر ماركت بعد العمل ، يتم وضع الممرات التي تمشي عليها بطريقة محددة بمساعدة خوارزميات التعلم. يحدد أي السلع لتخزين والتي يعرض نهاية الممر لإعداد. يتطلب الدفع باستخدام الائتمان خوارزمية تعلم لتحديد ما إذا كان يمكن الموافقة عليك أم لا. عندما تصل إلى المنزل، يتم توجيه الرسائل الموجودة في صندوق البريد الخاص بك إليك بواسطة خوارزمية تعلم يمكنها قراءة العناوين المكتوبة بخط اليد. يتم تحديد البريد غير الهام لك بواسطة خوارزميات تعلم أخرى. هذه الأمثلة ليست سوى البداية. التكنولوجيا تتغير باستمرار، مما يجعل التعلم الآلي أكثر تطورا من أي وقت مضى، وربما حتى تصبح ذكية مثل الدماغ البشري. حتى إذا كنت على استعداد لاستكشاف العالم آسر من الخوارزميات والتعلم الآلي، ثم دعونا نبدأ.
الفصل 1: التعلم الآلي يمكن أن يجيب على جميع مشاكلنا المستقبلية
اليوم ، تم نسج الخوارزميات في نسيج الحياة اليومية ، وأنها لا تستخدم فقط في الهاتف الخليوي والكمبيوتر المحمول الخاص بك بعد الآن ، انهم تستخدم في سيارتك ، منزلك ، والأجهزة الخاصة بك ، وأكثر من ذلك. يقومون بجدولة الرحلات الجوية ثم يطيرون بالطائرات. يديرون المصانع والتجارة والسلع الطريق، النقدية العائدات، والاحتفاظ بالسجلات. إذا توقفت كل خوارزمية فجأة عن العمل، فإن عالمنا سيتبع ويتوقف عن العمل أيضا. ولكن ما هي الخوارزمية على أي حال؟ إنها سلسلة من التعليمات تخبر الكمبيوتر بما يجب فعله.
يتكون الكمبيوتر من مليارات المفاتيح تسمى الترانزستورات ، ثم تقوم الخوارزميات بتشغيل وإيقاف تشغيل هذه المفاتيح مليارات المرات في الثانية. عن طريق قلب مفتاح، الترانزستورات التواصل مع بعضها البعض باستخدام المنطق المنطقي. على سبيل المثال، إذا كان الترانزستور A يعمل فقط عندما تكون الترانزستورات B و C على حد سواء، ثم انها تفعل قطعة صغيرة من المنطق المنطقي. إذا تم تشغيل A عندما يكون B أو C قيد التشغيل، فستكون هذه عملية منطقية صغيرة أخرى. وإذا كان A تشغيل عندما B هو خارج، والعكس بالعكس، وهذا هو العملية الثالثة. في النهاية، يمكن تخفيض كل خوارزمية، حتى الأكثر تعقيدا، إلى ثلاث عمليات: و، أو، وليس. عندما نجمع بين هذه العمليات، يمكننا البدء في تنفيذ سلاسل مفصلة من المنطق المنطقي.
خوارزمية، ومع ذلك، ليست مجرد مجموعة بسيطة من التعليمات. ويجب أن تكون دقيقة ولا لبس فيها. على سبيل المثال، عندما تتبع وصفة لخبز ملفات تعريف الارتباط، فإنك لا تستخدم خوارزمية. أي شخص قد اتبع وصفة كوكي يعرف أن النتيجة قد تكون لذيذة أو كارثة كاملة. على العكس من ذلك، خوارزمية تنتج دائما نفس النتيجة. بالإضافة إلى ذلك، كل خوارزمية لديها إدخال وإخراج; أي أنها مصممة لإنتاج نتيجة بناء على المعلومات التي تقدمها. ولكن التعلم الآلي يفعل أكثر من ذلك. يتم إعطاؤها المعلومات كمدخلات وإنتاج خوارزمية أخرى كما الإخراج!
وبعبارة أخرى، يمكن لأجهزة الكمبيوتر كتابة برامجها الخاصة. في الواقع ، يمكن لأجهزة الكمبيوتر تعلم البرامج التي لا يستطيع الناس حتى كتابتها. على سبيل المثال، عندما نقوم بفك خط اليد، نقوم بذلك دون وعي، لا يمكنك أن تضع في الكلمات بالضبط العملية التي تمر بها. لحسن الحظ، مع التعلم الآلي، لم يكن لديك ل. يمكنك ببساطة إعطاء خوارزمية التعلم الآلي أمثلة من النص المكتوب بخط اليد كمدخل، ومعنى النص كما الإخراج المطلوب. الخوارزمية ثم تحويل واحد إلى الآخر! بمجرد معرفة ذلك، يمكن استخدام الخوارزمية كلما أردت فك الكتابة اليدوية تلقائيا. هذه هي بالضبط الطريقة التي يقرأ بها مكتب البريد الرموز البريدية ولماذا السيارات ذاتية القيادة في الطريق.
التعلم الآلي يتطلب بعض الأشياء فقط، وأحد أهمها هو البيانات. كلما زاد عدد البيانات، كلما كان بإمكانه التعلم. ونظرا لمعطيات كافية، يمكن لبرنامج تعليمي أن يحل أي مشكلة تقريبا. بل وأكثر من ذلك، يمكن التعلم الآلي استخدام نفس الخوارزميات لحل مختلف المشاكل غير ذات الصلة. عادة، إذا كان لديك مشكلتين مختلفتين لحلها، تحتاج إلى كتابة برنامجين مختلفين. التعلم الآلي مختلف. ولكن هل يمكن أن يكون من الممكن لمتعلم واحد أن يفعل كل شيء؟ هل يمكن لوغاريتم واحد أن يتعلم كل ما يمكن تعلمه من البيانات؟ هل الخوارزمية الرئيسية هي الحل لجميع مشاكلنا؟
الفصل 2 : قوة الخوارزميات وكيفية منعها من العثور على أنماط كثيرة جدا
مع كل البحوث التي لدينا على التعلم الآلي، وقد حدد العلماء الرئيسية “القبائل”، حيث كل واحد يتعامل مع المشاكل بشكل مختلف ويتم تعريفها من قبل مجموعة من المعتقدات الأساسية. الأول هو الرمزيون، الذين يعتقدون أن الذكاء يمكن اختزاله في التلاعب بالرموز، بنفس الطريقة التي يحل بها علماء الرياضيات المعادلات عن طريق استبدال التعبيرات بتعبيرات أخرى. فهم يفهمون أيضا أنه لا يمكنك التعلم من الصفر. بدلا من ذلك، تحتاج إلى بعض المعرفة الأولية للذهاب مع البيانات. لذلك، اكتشف الرمزيون كيفية دمج المعرفة الموجودة مسبقا في التعلم وكيفية الجمع بين أجزاء مختلفة من المعرفة لحل مشاكل جديدة.
المؤثر الرئيسي للقبيلة الرمزية هو ديفيد هيوم ، أحد أعظم علماء الترسيم والفلاسفة الناطقين باللغة الإنجليزية في كل العصور – “شفيع الرمزيين”. ولد هيوم في اسكتلندا في عام 1711، وأمضى معظم وقته في فضح أساطير عصره. وطرح السؤال العميق: “كيف يمكن تبريرنا في التعميم مما رأيناه إلى ما لم نره؟” بمعنى من المعاني، كل خوارزمية التعلم هو محاولة للإجابة على هذا السؤال. بعد 250 عاما من طرح هيوم لهذا السؤال، ابتكر الفيزيائي ديفيد وولبرت “نظرية عدم تناول الغداء المجاني”، والتي تحدد بشكل أساسي مدى حسن المتعلم.
في التعلم الآلي، تحتاج إلى أمثلة إيجابية وأمثلة سلبية. على سبيل المثال ، إذا كنت تحاول التعرف على القطط في الصور ، فإن صور القطط هي أمثلة إيجابية ، وصور ال سلبية. ومع ذلك، فإن خوارزميات التعلم هذه عرضة للإفراط في الاحتواء لأن لديها قدرة غير محدودة تقريبا على العثور على أنماط في البيانات. وإذا كنت تبحث بما فيه الكفاية، يمكنك العثور على أي شيء الذي هو على حد سواء قوتها وضعفها. على سبيل المثال، في عام 1998، ادعى قانون الكتاب المقدس أن الكتاب المقدس يحتوي على تنبؤات للأحداث المستقبلية التي يمكن أن تجدها عن طريق تخطي الحروف على فترات منتظمة وتجميع الكلمات من تلك الحروف. وأظهر النقاد أن هذه التنبؤات يمكن العثور عليها في أي نص طويل تقريبا وأثبتوا حجتهم من خلال العثور على أنماط في موبي ديك وأحكام المحكمة العليا.
هذا مثال على الإفراط في الاحتواء ، أو أنماط الهلوسة ، والتي تحدث عندما تكون الخوارزمية قوية لدرجة أنها يمكن أن تتعلم أي شيء. ببساطة أكثر، مجموعة البيانات التي هي كبيرة مثل الكتاب المقدس سوف تنتج دائما تقريبا أنماط. المفتاح هو الحصول على الخوارزميات الخاصة بك تحت السيطرة عن طريق الحد من تعقيدها ووضع قيود. باستخدام التقييد الصحيح، يمكنك التأكد من أن نطاق الخوارزمية ليس واسعا جدا، مما يؤدي إلى نتائج متسقة. من ناحية أخرى ، إذا كان مرنا للغاية ، فقد ينتهي بك الأمر إلى شيء مثل قانون الكتاب المقدس الذي يجد أنماطا في أي مجموعة معينة من البيانات. ولكن كيف تقرر ما إذا كنت ستصدق ما يخبرك به المتعلم؟
المفتاح هو أنك لا تصدق أي شيء حتى تتحقق من النتائج. للقيام بذلك ، “تأخذ البيانات التي لديك وتقسمها عشوائيا إلى مجموعة تدريب ، والتي تعطيها للمتعلم ، ومجموعة اختبار ، والتي تخفيها عنها وتستخدمها للتحقق من دقتها. الدقة في البيانات التي تم الاحتفاظ بها هي المعيار الذهبي في التعلم الآلي”.
الفصل 3: يمكن استخدام أشجار القرار لمنع الإفراط في الاحتواء ودقيقة بشكل لا يصدق
الرمزيون هم أقدم فرع من المجتمع الذكاء الاصطناعي. إنهم عقلانيون وبالتالي يعتمدون على أساليب منطقية للاستخبارات. لهذا السبب، يفضل الرمزيون خوارزميات الخصم العكسي. الخصم العكسي بإنشاء قواعد عن طريق ربط عبارات منفصلة. على سبيل المثال، إذا كان لديك البيان، “سقراط هو الإنسان” و “لذلك سقراط هو مميت”، يمكن أن تصل الخوارزمية إلى بيانات أوسع، مثل “جميع البشر بشر”. من ناحية أخرى، نحن لا نحفز على أن جميع البشر بشر لأن هناك العديد من المخلوقات البشرية الأخرى، مثل القطط وال.
اليوم، الخصم العكسي يلعب دورا هاما في التنبؤ ما إذا كانت الأدوية الجديدة سيكون لها آثار جانبية ضارة. عندما يمكنك التعميم من الهياكل الجزيئية السامة المعروفة ، يمكنك تشكيل قواعد سرعان ما تخلص من العديد من المركبات الواعدة على ما يبدو ، مما يزيد بشكل كبير من فرص التجارب الناجحة على المركبات المتبقية. وعلاوة على ذلك، مع هذه المعرفة، يمكننا أن نبدأ في التنبؤ بالأدوية التي ستعمل ضد جينات السرطان. وفي حين أن هذا يبدو واعدا، لا تزال هناك قيود كثيرة عندما يتعلق الأمر بالخصومات العكسية؛ واحدة من تلك القيود هو أنه من المكلف وغير الفعال للعمل مع مجموعات البيانات الضخمة.
لهذه، يستخدم خوارزمية رمزية التعريفي شجرة القرار. أشجار القرار استخدام خوارزمية “فرق تسد” لتفرع البيانات إلى مجموعات أصغر. أساسا، أنها تلعب لعبة من 20 سؤالا لزيادة تضييق الخيارات والاحتمالات. الخطوة الأولى هي اختيار سمة لاختبارها في الجذر ، مثل الاختبار لتحديد ما إذا كنت جمهوريا أو ديمقراطيا أو مستقلا. من هناك، سوف تركز على الأمثلة التي تذهب إلى أسفل كل فرع ومن ثم اختيار الاختبار التالي. ومن الأمثلة على ذلك التحقق مما إذا كان قاطعو الضرائب مؤيدين للحياة أو مؤيدين للاختيار. ثم كرر هذا لكل فرع جديد حتى يكون لكافة الأمثلة نفس الفئة، عند هذه النقطة، يمكنك ببساطة تسمية الفرع مع الفئة التي تختبرها: ديمقراطي أو جمهوري أو مستقل.
أشجار القرار هي طريقة رائعة لاستخدامها لمنع الإفراط في تجهيز. من خلال تقييد عدد الأسئلة التي تطرحها شجرة القرار ، يمكن تطبيق القواعد الأكثر تطبيقا وعامة فقط. ونحن نرى أشجار القرار في كثير من الأحيان في البرمجيات التي تجعل التشخيصات الطبية عن طريق تضييق أعراض المريض. بالإضافة إلى ذلك، يمكن أن تكون أشجار القرار أكثر دقة بكثير من البشر. على سبيل المثال، في عام 2002، كشفت منافسة مباشرة أن أشجار القرار تنبأت بشكل صحيح بقواعد المحكمة العليا بنسبة 75٪، في حين حصلت لجنة من الخبراء على أقل من 60٪ من الصواح.
الفصل 4: تبسيط الافتراضات منع الخوارزميات دقيقة من الإفراط في تجهيز
قبيلة شعبية أخرى وفرع من التعلم الآلي هو بايزية. بايزيون هم خبراء في إدارة الانتخابات، مما يعني أنهم يعتقدون أن كل المنطق معصوم من الخطأ وأن المعرفة يجب أن تأتي من الملاحظة والتجريب. وهم يعتقدون أن جميع المعارف المستفادة غير مؤكدة، والتعلم في حد ذاته هو شكل من أشكال الاستدلال غير المؤكد. ثم تصبح المشكلة كيفية التعامل مع المعلومات الصاخبة وغير المكتملة والمتناقضة. الجواب بالنسبة للباييزيين هو نظرية بايز، التي تخبرنا كيف ندمج أدلة جديدة في معتقداتنا.
هذا النهج يعمل بشكل جيد بشكل خاص للتشخيصات الطبية. على سبيل المثال، إذا كانت نتيجة الفحص إيجابية للأيدز، فإن احتمالية إصابته به ترتفع. عند إضافة نتائج اختبارات متعددة، الجمع بينهما سيؤدي إلى انفجار combinatorial; لذلك، ستحتاج إلى تبسيط الافتراضات. وعلاوة على ذلك، يجب عليك النظر في العديد من الفرضيات في وقت واحد، مثل جميع التشخيصات المختلفة الممكنة للمريض. يمكن أن يستغرق حساب احتمال كل مرض من أعراض المريض الكثير من الوقت ، لذلك هنا يأتي تعلم الطريقة بايزي في متناول اليدين. باستخدام صيغة بسيطة السبب والنتيجة، يصبح الاستدلال بايزي خوارزمية قوية.
على سبيل المثال، عند إجراء تشخيص الإنفلونزا، لا يقوم الطبيب بذلك استنادا إلى عرض واحد، مثل الإصابة بالحمى. بدلا من ذلك، تأخذ العديد من الأعراض في الاعتبار، بما في ذلك ما إذا كان لديك سعال والتهاب في الحلق وسيلان الأنف والصداع والقشعريرة، وأكثر من ذلك. لذلك ، يقوم الطبيب بتبسيط الافتراضات التي تضعف عدد الاحتمالات وصولا إلى شيء يمكن التحكم فيه أكثر بكثير. هذا الافتراض المقيد هو افتراض أن عرضين لا يؤثران على بعضهما البعض ، مما يعني أن السعال لا يؤثر على فرصك في الالحصول على الحمى أيضا. وبهذه الطريقة، يتجنب الاستدلال بايزي الإفراط في الاحتواء من خلال التركيز بشكل صارم على العلاقة بين السبب والنتيجة.
كما تستخدم افتراضات مثل هذه من قبل برامج التعرف على الصوت مثل Siri. تخيل أنك قلت للتو “اتصل بالشرطة”، ثم يفكر سيري في احتمال قولك “أخبر” بدلا من “اتصل” أو “من فضلك” بدلا من “الشرطة”. بشكل فردي ، فإن الكلمات الأكثر احتمالا هي الاتصال ، و ، والرجاء. لكن الجملة “اتصل بالرجاء” تشكل جملة لا معنى لها، لذا مع أخذ الكلمات الأخرى في الاعتبار، يخلص سيري إلى أن الجملة هي في الحقيقة “اتصل بالشرطة” وتقوم بالدعوة.
الفصل 5: خوارزميات التجميع والشبكات العصبية هي طرق فعالة للتدقيق في البيانات
عندما تصبح أحد الوالدين، ترى فجأة سر التعلم تتكشف أمام عينيك في السنوات الثلاث الأولى من حياة طفلك. لا يستطيع الطفل حديث الولادة التحدث أو المشي أو التعرف على الأشياء. ولكن شهرا بعد شهر، يستمر الطفل في اتخاذ خطوات صغيرة وكبيرة نحو معرفة كيفية عمل العالم. وبحلول عيد ميلاد الطفل الثالث، كل هذا التعلم خلق نفسا مستقرة نما فيها العقل إلى تيار من الوعي الذي سيستمر طوال الحياة. هذه الظاهرة هي التي تقربنا خطوة واحدة من الخوارزمية الرئيسية.
ونحن نكبر، ونحن تنظيم العالم إلى كائنات وفئات. ما نحتاجه هو خوارزمية من شأنها أن تجمع تلقائيا معا كائنات مماثلة، أو صور مختلفة لنفس الكائن. يمكن استخدام هذه الأنواع من الخوارزميات في برنامج التعرف على الصور أو عزل الصوت ، والذي يحدد وجها أو كائنا بين ملايين البكسلات. وبالمثل ، فإن كل شيء تنقر عليه على Amazon يوفر جزءا صغيرا من المعلومات عنك. شيئا فشيئا ، كل تلك النقرات تضيف ما يصل الى تشكيل صورة لذوقك ، والكثير بنفس الطريقة كل تلك بكسل تضيف ما يصل الى صورة وجهك.
كما ترى، الوجه لديه فقط حوالي خمسين عضلة. شكل العينين والأنف والفم ، وهلم جرا لديها فقط حوالي 10 اختلافات مختلفة لكل ميزة ، وهي الطريقة التي يمكن للفنان رسم الشرطة معا رسم للمشتبه به وهذا جيد بما فيه الكفاية للتعرف عليه. من خلال حفظ تلك الاختلافات العشرة المختلفة ، فإنها تضيق خياراتها وتجعل من الممكن إنتاج رسم يستند إلى وصف واحد. وبالمثل، تحتاج خوارزميات التعرف على الوجه فقط إلى مقارنة بضع مئات من المتغيرات مقابل مليون بكسل.
وأخيرا، هناك أداة فعالة أخرى لغربلة كميات كبيرة من البيانات الخام هي الشبكات العصبية. من خلال استخدام الترميز التلقائي مكدسة، يمكن للمتعلمين العمل كمخ ومعالجة مدخلات متعددة في نفس الوقت. من خلال الخلايا العصبية غير الخطية، كل طبقة خفية يتعلم تمثيل أكثر تطورا من المدخلات، وبناء على سابقتها. على سبيل المثال ، “عندما تعطى مجموعة كبيرة من صور الوجه ، تتعلم الطبقة الأولى ترميز الميزات المحلية مثل الزوايا والبقع ، وتستخدم الثانية تلك لترميز ملامح الوجه مثل طرف الأنف أو قزحية العين ، والثالث يتعلم أنوف وعيون كاملة ، وهلم جرا. وأخيرا، يمكن أن تكون الطبقة العليا تصورا تقليديا يتعلم التعرف على شخص ما، لنقل جدتك، من الميزات عالية المستوى التي توفرها الطبقة أدناه.
واحدة من أكبر الشبكات العصبية التي تم إنشاؤها كانت شبكة Google Brain ، والتي تتكون من شطيرة من تسع طبقات من رموز autoencoders التي تعلمت التعرف على القطط من مقاطع فيديو YouTube. مع مليار اتصال، كانت أكبر شبكة تعلمت في ذلك الوقت. أحد مديري المشروع، أندرو نغ، هو واحد من المؤيدين الرئيسيين لفكرة أن الذكاء البشري يمكن أن يتلخص في خوارزمية واحدة، ونحن ببساطة بحاجة إلى معرفة ذلك! هذه autoencoders مكدسة ليست سوى خطوة واحدة أقرب إلى حل الذكاء الاصطناعي.
الفصل 6: أعمال شراء البيانات
لماذا جوجل يستحق أكثر من ذلك بكثير من ياهو؟ إذا نظرتم إلى ما يفعلونه، كلاهما يفعل الشيء نفسه أساسا. كلاهما يعرض إعلانات على الويب، وكلاهما أفضل الوجهات، وكلاهما يستخدم المزادات لبيع الإعلانات والتعلم الآلي للتنبؤ بمدى احتمال نقر المستخدم على إعلان. ولكن هناك فرق واحد. خوارزميات التعلم جوجل هي أفضل بكثير من ياهو. اليوم ، الشركة مع أفضل الخوارزميات هي الشركة التي ستكون الأكثر نجاحا.
في كل سوق، يحتاج المنتجون والمستهلكون إلى الاتصال قبل أن يكون المستهلك على استعداد لإجراء معاملة. في أيام ما قبل الإنترنت، كانت العقبات التي واجهتها الشركات مادية، مثل عدم وجود مساحة كافية على الرف للمنتجات الجديدة. واليوم، تصبح المشكلة العدد الهائل من الخيارات. كيف يمكنك تصفح رفوف مكتبة لديها الملايين من العناوين للبيع؟ يمكننا تطبيق هذا على جميع السلع الأخرى أيضا ، مثل الأحذية وغرف الفنادق والاستثمارات وحتى الموسيقى والأخبار ومقاطع الفيديو. حتى أنه ينطبق على أولئك الذين يبحثون عن وظيفة أو تاريخ. كيف تجدون بعضكم البعض؟
التعلم الآلي يساعد على تضييق خياراتنا. تقدم Amazon ، على سبيل المثال ، اقتراحات حول المنتجات التي قد يرغب العملاء في ها على أساس النقرات. والأفضل من ذلك ، تغطي خدمتهم كل سوق يمكنك التفكير فيه. في حين أن Amazon تقود السباق في خوارزميات التعلم ، هناك سباق جنوني لجمع البيانات عنك. الجميع يحب بياناتك، إنها بوابة عالمك، أموالك، صوتك، وحتى قلبك. ولكن كل شخص لديه جزء صغير منه فقط. ترى Google عمليات البحث الخاصة بك، وترى Amazon مشترياتك، ومكالمات AT&T الهاتفية، وكابيتال وان معاملات بطاقة الائتمان الخاصة بك، وأكثر من ذلك. لا توجد شركة لديها صورة كاملة لك ، وهو أمر جيد وسيء على حد سواء. من الواضح أنه أمر جيد لأنه إذا كان شخص ما يعرف كل شيء عنك ثم سيكون لديهم الكثير من السلطة. إنه أمر سيء، مع ذلك، لأنه لن يكون هناك نموذج 360 درجة منك.
يمكن أن تكون بياناتك رصيدا هائلا للشركة ، وهذا هو السبب في وجود قيمة في بياناتك. اليوم ، تبلغ قيمة المستخدم لصناعة الإعلان عبر الإنترنت حوالي 1200 دولار سنويا. تبلغ قيمة قطعة بيانات Google حوالي 20 دولارا أمريكيا في حين تبلغ قيمة فيسبوك 5 دولارات. مع تزايد زيادة البيانات تصبح النفط الجديد ، فإن بعض الشركات القائمة ترغب في استضافة الرقمية لك. ومع ذلك ، فإن شركات مثل Google و Facebook ليست أفضل الشركات لإيواء نفسك الرقمية بسبب تضارب مصالحها: الإعلانات المستهدفة. تستخدم الشركتان إعلانات مستهدفة ، وبالتالي سيتعين عليك تحقيق التوازن بين اهتمامك والمعلنين.
حل هذه المشكلة هو بنوك البيانات التي تحافظ على أمن المعلومات الخاصة بك وتسمح لك بتحديد متى وكيف يتم الوصول إليها. فكروا في النقابات العمالية في بداية القرن العشرين التي بدأت في تحقيق التوازن بين قوة العمال والرؤساء. يحتاج القرن الحادي والعشرون إلى اتحادات بيانات لسبب مماثل. ومن شأن اتحاد البيانات أن يسمح لأعضائه بالمساومة على قدم المساواة مع الشركات بشأن استخدام بياناتهم. اليوم ، معظم الناس لا يدركون كم من البيانات هناك عنهم وكيف يتم استخدامها. بل وأكثر من ذلك، أنهم لا يعرفون ما هي التكاليف والفوائد المحتملة والشركات تحلق ببساطة تحت الرادار، وذلك باستخدام البيانات الخاصة بك كيف يريدون، بالرعب من “تفجير”. سيحدث انفجار ، لذلك من الأفضل زيادة الوعي الآن والسماح للجميع اتخاذ قراراتهم الخاصة حول ما يرغبون في مشاركته ، وكيف وأين يتم استخدامه.
الفصل 7: الخوارزمية الرئيسية والمرآة الرقمية الخاصة بك
إذا كنت تعتقد أنه لا يمكن أن يكون هناك العديد من الشركات التي لديها بيانات عنك ، فلنلقي نظرة على جميع الأماكن التي يتم فيها تسجيل بياناتك: رسائل البريد الإلكتروني ، ومستندات المكتب ، والنصوص ، والتغريدات ، وحسابات Facebook و LinkedIn ، وعمليات البحث على الويب ، والنقرات ، والتنزيلات ، والمشتريات عبر الإنترنت ؛ الائتمان الخاص بك، والضرائب، والهاتف، والسجلات الصحية؛ إحصاءات Fitbit الخاصة بك، والقيادة الخاصة بك التي يتم تسجيلها من قبل المعالجات الدقيقة سيارتك؛ تجول الخاص بك سجلت من قبل الهاتف الخليوي الخاص بك؛ جميع الصور التي اتخذت من أي وقت مضى ، بما في ذلك cameos وجيزة على الكاميرات الأمنية ، وهلم جرا. البيانات الخاصة بك في كل مكان، وجنبا إلى جنب، يمكن أن تشكل هذه البيانات صورة دقيقة ومفصلة إلى حد ما لك. ولكن ماذا يمكن أن يعني هذا لمستقبلك؟
لا يوجد متعلم اليوم لديه إمكانية الوصول إلى كل هذه البيانات ، وحتى لو فعلت ذلك ، ما زلنا غير متأكدين من مدى دقتها. ولكن لنفترض أنك أخذت كل تلك البيانات وأعطيتها إلى خوارزمية رئيسية حقيقية جدا في المستقبل. في هذه الحالة، يمكن للخوارزمية الرئيسية تعلم نموذج لك، ويمكنك أن تحمل أساسا هذا النموذج في محرك أقراص الإبهام في جيبك لاستخدامها كما يحلو لك. هذه المرآة الرقمية يمكن أن تظهر لك أشياء عن نفسك التي كنت لا تعرف حتى الآن. سيكون لديها القدرة على اقتراح فقط اثني عشر كتابا من السوق العالمية. ويمكن أن تفعل الشيء نفسه بالنسبة للأفلام والموسيقى والألعاب والملابس والالكترونيات ، وأكثر من ذلك. لم يعد لديك للبحث إلى ما لا نهاية عن العناصر التي ترغب في شراء، وهذه المرآة الرقمية يمكن أن تشير إلى العناصر على أساس النشاط الخاص بك.
بالإضافة إلى ذلك، يمكن أن تبقي الثلاجة مخزنة في جميع الأوقات، وتصفية البريد الإلكتروني والبريد الصوتي ومشاركات فيسبوك وتغذية تويتر، وحتى الرد بشكل مناسب نيابة عنك. حتى أنه يزيل القليل من المضايقات في حياتك ، مثل التحقق من بيانات بطاقة الائتمان الخاصة بك ، والتنازع على الرسوم ، وتجديد الاشتراكات ، وملء الإقرارات الضريبية. وسوف تجد علاجا لمرضك، تشغيله من قبل طبيبك، وطلب ما تحتاجه من الصيدلية المحلية. بل إنه سيقترح فرصا عمل مثيرة للاهتمام ومواقع للعطلات، ويقترح مرشحين محتملين للتصويت لصالحهم في الاقتراع. وإذا كنت عازبا، فقد يجد لك موعدا محتملا. بعد اختيار مطابقة، فإنه التواصل مع النموذج الرقمي للتاريخ الخاص بك واختيار المطاعم التي قد ترغب على حد سواء.
في المستقبل، يمكن للجميع الحصول على “نصف رقمي” آخر يتواصل مع الأنفس الرقمية للآخرين. على سبيل المثال ، إذا كنت تبحث عن وظيفة وشركة معينة مهتمة بك ، فإن نموذج الشركة سيقابل نموذجك ، على غرار مقابلة وجها لوجه – ولكن الأمر سيستغرق جزءا صغيرا من الثانية فقط. ستتمكن من النقر على “البحث عن وظيفة” في حسابك المستقبلي على LinkedIn ، وستقابل على الفور كل وظيفة في الكون تناسب معاييرك ، مثل المهنة والموقع والدفع. في عالم الخوارزمية الرئيسية ، “هل شعبك دعوة شعبي” يصبح “لديك برنامج الاتصال برنامجي”. في المستقبل، ستتمكن نفسك الرقمية من القيام بكل ما لا تحتاج إليه، مما يجعل حياتك أسهل وأكثر كفاءة.
الفصل 8: الملخص النهائي
الآن بعد أن عرفت أسرار التعلم الآلي ، فأنت الآن تفهم كيف يتم تحويل البيانات إلى معرفة. أنت تفهم ما يمكن وما لا يمكن القيام به والتعقيدات الكامنة التي يجلبها. أنت تعرف ما تفعله شركات مثل Google و Facebook و Amazon والباقي بالبيانات التي تقدمها لهم بسخاء كل يوم ولماذا يمكنهم العثور بسهولة على الأشياء لك ، وتصفية الرسائل غير المرغوب فيها ، والحفاظ على تحسين ما يقدمونه لك. ولكننا ما زلنا لا نملك كل شيء أحسب، وذلك لأن خوارزمية ماجستير غير موجودة حتى الآن. نحن نعرف فقط كيف يمكن أن تبدو. ولكن الخطوة الأولى هي معرفة الاحتمالات. ربما هناك شيء مفقود، شيء لم يتم اكتشافه بعد. هذا هو المكان الذي تأتي فيه. الأمر متروك لنا لضمان سقوط الخوارزمية الرئيسية في الأيدي اليمنى ، وهذا هو السبب في أنه يجب أن تكون مفتوحة المصدر ومشتركة مع الجميع على الأرض. وأخيرا ، “نيوتن قال مرة واحدة انه يشعر وكأنه صبي يلعب على شاطئ البحر ، والتقاط حصاة هنا وقذيفة هناك في حين أن المحيط العظيم من الحقيقة تكمن غير المكتشفة أمامه. بعد ثلاثمائة عام، جمعنا مجموعة مذهلة من الحصى والقذائف، ولكن المحيط العظيم غير المكتشف لا يزال يمتد إلى المسافة، متلألئا بالوعد. الهدية هي قارب – التعلم الآلي – وقد حان الوقت للإبحار”.

اترك تعليقًا

إملأ الحقول أدناه بالمعلومات المناسبة أو إضغط على إحدى الأيقونات لتسجيل الدخول:

شعار ووردبريس.كوم

أنت تعلق بإستخدام حساب WordPress.com. تسجيل خروج   /  تغيير )

Google photo

أنت تعلق بإستخدام حساب Google. تسجيل خروج   /  تغيير )

صورة تويتر

أنت تعلق بإستخدام حساب Twitter. تسجيل خروج   /  تغيير )

Facebook photo

أنت تعلق بإستخدام حساب Facebook. تسجيل خروج   /  تغيير )

Connecting to %s